【动态规划】MATLAB和Python实现-Part04

最新推荐文章于 2024-04-01 10:30:16 发布
最新推荐文章于 2024-04-01 10:30:16 发布
阅读量1.3k 收藏 8
点赞数 3
分类专栏： 数据结构&算法 MATLAB练习 MATLAB学习笔记 文章标签： python 动态规划 matlab 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_60090693/article/details/128284145
版权

往期系列：
【动态规划】MATLAB和Python实现-Part01

【动态规划】MATLAB和Python实现-Part02

【动态规划】MATLAB和Python实现-Part03

【动态规划】MATLAB和Python实现-Part04

零、回顾

前面三篇文章，我们从递归开始，了解了动态规划，并从实际例子中体会动态规划的过程。

本篇文章我们继续以实际例子体会动态规划。
我们再回想一下动态规划的基本思路：

  • 定义原问题和子问题
  • 定义状态
  • 寻找状态转移方程
  • 编程求解

一、0-1背包问题

1.1 题目描述

有 10 件货物要从甲地运送到乙地，每件货物的重量和利润如下表所示：

物品12345678910
重量6345123542
利润54020018035060150280450320120

由于只有一辆最大载重为 30 的火车能用来运送货物，所以只能选择部分货物进行配送，要求确定运送哪些货物，使得运送这些货物的总利润最大。

1.2 题目分析

定义原问题和子问题：
原问题：
假设有 m m m 件物品，其中第 k k k 件物品的利润为 v k v_{k} vk​，重量为 w k w_{k} wk​，背包能容纳的总重量为 W W W，在满足重量约束的条件下，将这 m m m 件物品选择性地放入容量为 W W W 的背包，求解出所能获得的最大利润。
（假设这里的重量和利润都为正整数。）
子问题：
在满足重量约束的条件下，将前 i ( i ≤ m ) i(i\leq m) i(i≤m) 件物品选择性地放入容量为 j ( j ≤ W ) j(j\leq W) j(j≤W) 的背包中所能获得的最大利润。

定义状态：
记前 i i i 件物品选择性地放入容量为 j j j 的背包中所能获得的最大利润为 f ( i , j ) f(i,j) f(i,j)，那么 f ( m , W ) f(m,W) f(m,W) 就是我们要求解的原问题的答案。
这里的 i i i 和 j j j 构成的组合就是对应子问题的状态。

寻找状态转移方程：
对于 二维 情况，我们可以先考虑问题的 边界条件：

  • 边界条件1： 当 i = 1 i=1 i=1 时， f ( 1 , j ) f(1,j) f(1,j) 表示把第 1 件物品放入容量为 j j j 的背包中所能获得的最大利润，显然当 j ≥ w 1 j\geq w_{1} j≥w1​，即背包容量大于等于第 1 件物品的重量，就有 f ( 1 , j ) = v 1 f(1,j)=v_{1} f(1,j)=v1​，否则有 f ( 1 , j ) = 0 f(1,j)=0 f(1,j)=0；
  • 边界条件2： 当 j = 1 j=1 j=1 时， f ( i , 1 ) f(i,1) f(i,1) 表示容量为 1 1 1 时，把第 i i i 件物品放入背包中所能获得的最大利润，显然当 w i = 1 w_{i}=1 wi​=1 时，有 f ( i , 1 ) = v i f(i,1)=v_{i} f(i,1)=vi​，否则有 f ( i , 1 ) = 0 f(i,1)=0 f(i,1)=0

接下来考虑问题的一般情况，即当 i , j > 1 i,j>1 i,j>1 时：
假设现在背包容量为 j j j，前面 i − 1 i-1 i−1 件物品已经规划好了方案，现在要考虑是否装第 i i i 件物品，该问题可以分为两种情况考虑（此时我们先不考虑前 i − 1 i-1 i−1 件物品，假设背包为空）：

  • 第 i i i 件物品的重量 w i w_{i} wi​ 比背包的容量 j j j 还要大： 这时候我们只能放弃物品 i i i，那么就有 f ( i , j ) = f ( i − 1 , j ) f(i,j)=f(i-1,j) f(i,j)=f(i−1,j)；
  • 第 i i i 件物品的重量 w i w_{i} wi​ 比背包的容量 j j j 的容量小： 这时候我们可以选择将其放入背包或者不放入。如果放入，则有 f ( i , j ) = v i + f ( i − 1 , j − w i ) f(i,j)=v_{i}+f(i-1,j-w_{i}) f(i,j)=vi​+f(i−1,j−wi​)，即放入第 i i i 件物品后，将剩余空间留给前 i − 1 i-1 i−1 件物品；如果不放入，则有 f ( i , j ) = f ( i − 1 , j ) f(i,j)=f(i-1,j) f(i,j)=f(i−1,j)；所以有： f ( i , j ) = m a x { v i + f ( i − 1 , j − w i ) , f ( i − 1 , j ) } f(i,j)=max\{v_{i}+f(i-1,j-w_{i}),f(i-1,j)\} f(i,j)=max{vi​+f(i−1,j−wi​),f(i−1,j)}.
    （若 w i = j w_{i}=j wi​=j ，则令 f ( i − 1 , j − w i ) = 0 f(i-1,j-w_{i})=0 f(i−1,j−wi​)=0）

综上所述，最终的状态转移方程为：
f ( i , j ) = { 0 i = 1 , j < w 1 v 1 i = 1 , j ≥ w 1 0 w i > 1 , j = 1 v i w i = 1 , j = 1 f ( i − 1 , j ) w i > j , i > 1 , j > 1 m a x { v i + f ( i − 1 , j − w i ) , f ( i − 1 , j ) } w i ≤ j , i > 1 , j > 1 f(i,j)=\begin{cases} 0 & i=1, j<w_{1}\\ v_{1} & i=1,j\geq w_{1} \\ 0 & w_{i}>1,j=1\\ v_{i} & w_{i}= 1,j=1\\ f(i-1,j) & w_{i}>j,i>1,j>1 \\ max\{v_{i}+f(i-1,j-w_{i}),f(i-1,j)\} & w_{i}\leq j,i>1,j>1 \end{cases} f(i,j)=⎩⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎧​0v1​0vi​f(i−1,j)max{vi​+f(i−1,j−wi​),f(i−1,j)}​i=1,j<w1​i=1,j≥w1​wi​>1,j=1wi​=1,j=1wi​>j,i>1,j>1wi​≤j,i>1,j>1​

1.3 题目求解

在进行完题目分析后，我们用 MATLAB 和 Python 对题目进行编程求解：
MATLAB
函数实现：

function f = 01pack(v,w,W)
	m = length(v);
	dp = zeros(m,W);
	if w(1)<=W	% 初始化dp第一行
		dp(1,w(1):end) = v(1);
	end
	for i = 2:m	% 初始化dp第一列
		dp(i,1) = max([0,v(w(1:i)==1)]);
	end
	% i,j>1
	for i = 2:m
		for j= 2:W
			if w(i)>j
				dp(i,j) = dp(i-1,j);
			elseif w(i)==j
				dp(i,j) = max(dp(i-1,j),v(i));
			else
				dp(i,j) = max(v(i)+dp(i-1,j-w(i)),dp(i-1,j))
			end
		end
	end
	f = dp(m,W);
end

函数调用：

clear;clc;
v = [540, 200, 180, 350, 60, 150, 280, 450, 320, 120];
w = [6, 3, 4, 5, 1, 2, 3, 5, 4, 2];
W = 30;
tic;
f = dp01pack(v,w,W)
toc;

结果：
在这里插入图片描述

Python
函数实现：

def dp01pack(v, w, W):
    m = len(v)  # 物品个数
    # 初始化dp数组 m*M 元素全为0
    dp = [[0 for j in range(W)] for i in range(m)]
    # 处理第一行
    if w[0]<W:
        # 如果第一个物品重量小于W
        for j in range(w[0]-1,W):
            # 那么第一行从 j>=w[0]-1 之后，最大价值都为v[0]
            dp[0][j] = v[0]
    # 处理第一列
    for i in range(1, m):
        temp = [0]
        for k in range(i+1):
            if w[k]==1:
                temp.append(v[k])
        dp[i][0] = max(temp)
    # 处理剩下的部分
    for i in range(1, m):
        for j in range(1, W):
            if w[i]>(j+1):
                dp[i][j] = dp[i-1][j]
            elif w[i]==(j+1):
                dp[i][j] = max(v[i], dp[i-1][j])
            else:
                dp[i][j] = max(v[i]+dp[i-1][j-w[i]], dp[i-1][j])
    f = dp[-1][-1]
    return f

函数调用：

import time
v = [540, 200, 180, 350, 60, 150, 280, 450, 320, 120]
w = [6, 3, 4, 5, 1, 2, 3, 5, 4, 2]
W = 30
start = time.time()
print('01背包问题的最大价值为：')
f = dp01pack(v, w, W)
print(f)
end = time.time()
print('算法用时为(s)：')
print('%.8f' % (end-start))

结果：
在这里插入图片描述

1.4 得到选择物品的编号

在通过前面的步骤获得物品的最大价值后，我们来进一步思考：
如何得到选择物品的编号？

仍然是从 DP数组入手！

  • 首先定位到最后一列（即第 W W W 列， W W W 为最大容量），然后顺序找到最大值位置对应的物品，此时这个物品就是我们选择的最后一个物品，若其编号为 p p p，重量为 w p w_{p} wp​，则更新此时的 DP数组 为： d p = d p ( 1 : ( p − 1 ) , 1 : ( W − w p ) ) dp=dp(1:(p-1),1:(W-w_{p})) dp=dp(1:(p−1),1:(W−wp​))，即只要原数组的前 ( p − 1 ) × ( W − w p ) (p-1)\times (W-w_{p}) (p−1)×(W−wp​) 部分，同时更新： W = W − w p W=W-w_{p} W=W−wp​（将得到的编号 p 存入数组 IND 中）
  • 若上一步得到的物品编号为 1 号，则直接输出所有得到的 IND（可以逆序输出），若不是，则重复前一步骤。

接下来我们分别用 MATLAB 和 Python 实现此需求：
MATLAB
函数实现：

function [f, IND] = dp01pack_ind(v,w,W)
	m = length(v);
	dp = zeros(m,W);
	if w(1)<=W	% 初始化dp第一行
		dp(1,w(1):end) = v(1);
	end
	for i = 2:m	% 初始化dp第一列
		dp(i,1) = max([0,v(w(1:i)==1)]);
	end
	% i,j>1
	for i = 2:m
		for j= 2:W
			if w(i)>j
				dp(i,j) = dp(i-1,j);
			elseif w(i)==j
				dp(i,j) = max(v(i), dp(i-1,j));
			else
				dp(i,j) = max(v(i)+dp(i-1,j-w(i)),dp(i-1,j));
			end
		end
	end
	f = dp(m,W);
    IND = [];
    if f>0
        temp = dp(:,W);
        while 1
            ind = find(temp==max(temp),1);
            W = W-w(ind);
            IND = [IND,ind];
            if ind>1 && W>0
                temp = dp(1:ind-1,W);
            else
                break
            end
        end
        IND = sort(IND);
    end
end

函数调用：

clear;clc;
v = [540, 200, 180, 350, 60, 150, 280, 450, 320, 120];
w = [6, 3, 4, 5, 1, 2, 3, 5, 4, 2];
W = 30;
% v = [11, 12, 10, 26, 14, 16];
% w = [3, 2, 2, 5, 1, 3];
% W = 10;
tic;
[f, IND] = dp01pack_ind(v,w,W)
toc;

结果：
在这里插入图片描述

Python
函数实现：

def dp01pack_ind(v, w, W):
    m = len(v)  # 物品个数
    # 初始化dp数组 m*M 元素全为0
    dp = [[0 for j in range(W)] for i in range(m)]
    # 处理第一行
    if w[0]<W:
        # 如果第一个物品重量小于W
        for j in range(w[0]-1,W):
            # 那么第一行从 j>=w[0]-1 之后，最大价值都为v[0]
            dp[0][j] = v[0]
    # 处理第一列
    for i in range(1, m):
        temp = [0]
        for k in range(i+1):
            if w[k]==1:
                temp.append(v[k])
        dp[i][0] = max(temp)
    # 处理剩下的部分
    for i in range(1, m):
        for j in range(1, W):
            if w[i]>(j+1):
                dp[i][j] = dp[i-1][j]
            elif w[i]==(j+1):
                dp[i][j] = max(v[i], dp[i-1][j])
            else:
                dp[i][j] = max(v[i]+dp[i-1][j-w[i]], dp[i-1][j])
    f = dp[-1][-1]
    # 输出编号
    IND = []
    if f>0:
        temp = []
        for i in dp:
            # 取出dp最后一列
            temp.append(i[W-1])
        while 1:
            ind = temp.index(max(temp))
            W = W-w[ind]
            IND.append(ind+1)
            if ind>0 and W>0:
                temp = []
                for i in dp[0:ind]:
                    temp.append(i[W-1])
            else:
                break
        IND.sort()
    return f, IND

函数调用：

import time
v = [540, 200, 180, 350, 60, 150, 280, 450, 320, 120]
w = [6, 3, 4, 5, 1, 2, 3, 5, 4, 2]
W = 30
start = time.time()
[f, IND] = dp01pack_ind(v, w, W)
print('01背包问题的最大价值为：')
print(f)
print('选择物品的编号为：')
print(IND)
end = time.time()
print('算法用时为(s)：')
print('%.8f' % (end-start))

结果：
在这里插入图片描述

二、硬币兑换的方案

2.1 题目描述

给定不同面值的 m m m 种硬币 coins 和一个总金额 S S S，请编写一个函数来计算用这些硬币可以凑成总金额 S S S 的方案数。（每种硬币数量是无限的， S S S 以及 coins 中的元素都是正整数，且不考虑每种方案中硬币的顺序）
示例输入：
S=4, coins=[1, 2, 3]
示例输出：
4
解释：
有4种方案：[1, 1, 1, 1]，[1, 1, 2]，[2, 2] 和 [1, 3]

2.2 题目分析

定义原问题和子问题：
原问题：
能够使用所有面值的硬币来凑出总金额 S 的方案数。
子问题：
只能使用前 i ( i ≤ m ) i(i\leq m) i(i≤m) 种面值的硬币来凑出总金额 j ( j ≤ S ) j(j\leq S) j(j≤S) 的方案数。

定义状态：
根据子问题的定义，我们可以看出每种状态包含两个参数：第一个参数就是我们可以使用前多少种面值的硬币；第二个参数就是要凑出的总金额数。
因此，我们记 f ( i , j ) f(i,j) f(i,j) 为只能使用前 i ( i ≤ m ) i(i\leq m) i(i≤m) 种面值的硬币来凑出总金额 j ( j ≤ S ) j(j\leq S) j(j≤S) 的方案数，当 i = m i=m i=m 且 j = S j=S j=S 时就是原问题的解。

寻找状态转移方程：
对于二维动态数组，我们还是先考虑边界条件：

  • 当 i = 1 i=1 i=1 时，为 f ( 1 , j ) f(1,j) f(1,j)，即只使用第一种面值的硬币，设这种硬币面值为 c o i n s 1 coins_{1} coins1​，那么若金额 j j j 能被 c o i n s 1 coins_{1} coins1​ 整除，那么就只有一种方案：用 ( j / c o i n s 1 ) (j/coins_{1}) (j/coins1​) 枚第一种面值的硬币；否则，则没有方案，用方程表示为：
    f ( 1 , j ) = { 1 j 能 被 c o i n s 1 整 除 0 j 不 能 被 c o i n s 1 整 除 f(1,j)=\begin{cases} 1 & j能被coins_{1}整除 \\ 0 & j不能被coins_{1}整除 \end{cases} f(1,j)={10​j能被coins1​整除j不能被coins1​整除​
  • 当 j = 1 j=1 j=1 时，为 f ( i , 1 ) f(i,1) f(i,1)，即用前 i i i 种面值的硬币能凑出总金额为 1 的方案数，容易知道：若前 i i i 种面值的硬币中有面值为 1 的硬币，则方案数 f ( i , 1 ) f(i,1) f(i,1) 为1，否则为0.

接下来考虑一般情况，当 i > 1 , j > 1 i>1,j>1 i>1,j>1 时：

  • 要凑的总金额 j j j 小于第 i i i 种硬币的面值，则第 i i i 种硬币不会起到任何作用，则 f ( i , j ) = f ( i − 1 , j ) f(i,j)=f(i-1,j) f(i,j)=f(i−1,j)
  • 要凑的总金额 j j j 等于第 i i i 种硬币的面值，可以选择是否使用：若我们使用第 i i i 种硬币，那么只有 1 种方案，若不用，则为 f ( i − 1 , j ) f(i-1,j) f(i−1,j)。因此，最终为二者之和： f ( i , j ) = f ( i − 1 , j ) + 1 f(i,j)=f(i-1,j)+1 f(i,j)=f(i−1,j)+1；
  • 要凑的总金额 j j j 大于第 i i i 种硬币的面值，我们可以从 0 枚开始，依次增大第 i i i 种硬币的选取量直到为 k k k，此时第 i i i 种硬币凑的总金额大于或等于需要的总金额 j j j，那么可以得到： f ( i , j ) = f ( i − 1 , j − 0 × c o i n s i ) + f ( i − 1 , j − 1 × c o i n s i ) + . . . + f ( i − 1 , j − k × c o i n s i ) f(i,j)=f(i-1,j-0\times coins_{i})+f(i-1,j-1\times coins_{i})+...+f(i-1,j-k\times coins_{i}) f(i,j)=f(i−1,j−0×coinsi​)+f(i−1,j−1×coinsi​)+...+f(i−1,j−k×coinsi​)，经过化简得到： f ( i , j ) = f ( i − 1 , j ) + f ( i , j − c o i n s i ) f(i,j)=f(i-1,j)+f(i,j-coins_{i}) f(i,j)=f(i−1,j)+f(i,j−coinsi​).

则得到一般情况下的状态转移方程为：
f ( i , j ) = { f ( i − 1 , j ) j − c o i n s i < 0 f ( i − 1 , j ) + 1 j − c o i n s i = 0 f ( i − 1 , j ) + f ( i , j − c o i n s i ) j − c o i n s i > 0 f(i,j)=\begin{cases} f(i-1,j) & j-coins_{i}<0 \\ f(i-1,j)+1 & j-coins_{i}=0 \\ f(i-1,j)+f(i,j-coins_{i}) & j-coins_{i}>0 \end{cases} f(i,j)=⎩⎪⎨⎪⎧​f(i−1,j)f(i−1,j)+1f(i−1,j)+f(i,j−coinsi​)​j−coinsi​<0j−coinsi​=0j−coinsi​>0​

2.3 题目求解

MATLAB
函数实现：

function [f,dp] = dp_coin(coins,S)
    coins = sort(coins);
    m = length(coins);
    dp = zeros(m,S);
    dp(1,:) = (mod(1:S,coins(1))==0);
    dp(:,1) = (coins(1)==1);
    for i = 2:m
        for j = 2:S
            if j-coins(i)<0
                dp(i,j) = dp(i-1,j);
            elseif j-coins(i)==0
                dp(i,j) = dp(i-1,j)+1;
            else
                dp(i,j) = dp(i-1,j)+dp(i,j-coins(i));
            end
        end
    end
    f = dp(m,S);
end

函数调用：

clear;clc;
coins = [2, 3, 5, 6];
S = 10;
tic;
[f,dp] = dp_coin(coins,S)
toc;

结果：
在这里插入图片描述

Python
函数实现：

def dp_coin(coins, S):
    coins.sort()
    m = len(coins)
    dp = [[0 for j in range(S)] for i in range(m)]
    for j in range(S):
        if (j+1)%coins[0]==0:
            dp[0][j] = 1
    for i in range(m):
        if coins[0]==1:
            dp[i][0] = 1
    for i in range(1, m):
        for j in range(1, S):
            if j+1-coins[i]<0:
                dp[i][j] = dp[i-1][j]
            elif j+1-coins[i]==0:
                dp[i][j] = dp[i-1][j]+1
            else:
                dp[i][j] = dp[i-1][j]+dp[i][j-coins[i]]
    f = dp[-1][-1]
    return f, dp

函数调用：

import time
coins = [2, 3, 5, 6]
S = 10
start = time.time()
[f,dp] = dp_coin(coins,S)
print('最终方案数为：')
print(f)
print('DP数组为：')
for i in dp:
    print(i)
end = time.time()
print('算法用时为(s)：')
print('%.8f' % (end-start))

结果：
在这里插入图片描述

四口鲸鱼爱吃盐
关注
  • 3
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
离散控制Matlab代码-Cabot-Part-1:设计和实现自动驾驶汽车系统
05-23
自动驾驶汽车系统的设计和实现–第1部分 什么是自动驾驶汽车系统？ 基于Wikipedia的无人驾驶车辆是一种无需人工输入即可感知其环境并进行导航的车辆。 通过使用雷达，激光雷达，GPS，里程计和计算机视觉等传感器，...
matlab跑c代码-ObjectDetectionModel:目标检测中一些重要特征提取算法的Python实现
05-27
一些目标检测领域经典检测器的轮子，主要帮助自己理解一些重要的目标检测特征提取算法的原理与实现，基于python3.6+pytorch1.7.1， 使用Tensorboard进行训练过程的可视化 Histograms of Oriented Gradients 数据集...
MATLAB 动态规划
小嗷犬的博客
02-05 3680
动态规划是一种数学优化方法，它是一种在给定约束条件下，求解最优化问题的方法。动态规划的基本思想是将原问题分解为若干个子问题，先求解子问题的最优解，然后根据子问题的最优解，求解原问题的最优解。将原问题分解为子问题确定状态确定一些初始状态（边界状态）的值确定状态转移方程思想上类似于递归，但动态规划采用记录子问题的最优解的方法，避免了重复计算子问题的最优解，从而提高了计算效率；除此之外，动态规划通常采用自底向上的方法，而递归通常采用自顶向下的方法。
【动态规划】MATLAB和Python实现-Part02
四口鲸鱼爱吃盐的博客
12-10 1806
【动态规划】MATLAB和Python实现-Part02 一、从斐波那契数列到动态规划 1.1 回顾与引入；1.2 动态规划中常见的概念 二、动态规划初体验 2.1 题目介绍——打家劫舍；2.2 问题的分析；2.3 问题的求解；2.4 动态规划算法优化——状态压缩；2.5 输出偷窃房子的编号
【路径规划】动态路径规划（Matlab代码实现）
最新发布
2201_75454341的博客
04-01 477
动态路径规划是指在考虑环境不确定性和变化的情况下，确定从起点到目标点的最佳路径的过程。与传统路径规划不同，动态路径规划需要在实时或近实时条件下不断调整路径以应对环境变化。这些算法可以是基于规则的，也可以是基于优化或机器学习的，旨在在考虑时间、资源和环境变化的情况下找到最优路径。总的来说，动态路径规划是一种在不确定环境中实现路径规划的技术，通过实时更新和调整路径以适应环境变化，从而在动态环境中有效地导航和规划路径。文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。
【建模算法】动态规划与最优路径问题（matlab求解)
baidu的专栏
04-20 7284
本文探讨了动态规划及其在路径规划中的应用。
数学建模（7）动态规划以及matlab实现
热门推荐
qq_43649786的博客
08-22 3万+
数学建模（7）动态规划 概念 运筹学分支，求解多阶段决策过程最优化问题的数学方法 思路将复杂的多阶段决策问题分解为一系列的简单，离散的单阶段决策问题，顺序求解法 在考虑本阶段最优的情况下兼顾整体最优的解决方法 主要处理离散连续型问题 特点没有特定的算法，需要具体问题具体分析 无后效性马尔科夫性，系统从某个阶段后的发展仅与本阶段所处的状态和以后的决策所做的决策所决定，与之前的状态无关。 具体问题企业...
整数规划，背包问题、指派问题、钢管切割问题的Matlab和python实现
weixin_45775970的博客
04-10 4417
整数规划问题 整数规划的典例：背包问题、指派问题、钢管切割问题 matlab\python实现
matlab集成c代码-Natural-Language-Processing-Part-I-Primer:自然语言处理部分I引物
05-22
计算和矩阵处理是在Matlab中完成的（Python确实具有类似Matlab的库numpy，但由于偏好我们使用了Matlab）。 步骤1：下载Python集成开发环境（IDE）。 出于说明目的，我们使用了Anaconda。 第2步：获取情感词列表，并...
matlab代码close-Price-data-of-part-of-US-Stocks-in-2014-2019:2014-2019年美国
05-26
Price-data-of-part-of-US-Stocks-in-2014-2019 价格数据通过python库yfinance取自雅虎财经，股票筛选池(eastmoney.csv，共12561支)为东方财富的美股列表() The price data are downloaded through a python library...
matlab导入excel代码-DataCamp_Python:DataCamp数据科学教程中的Python笔记本
05-21
99_Python_Datacamp_04_toolbox2_iterators_generators_chunks 迭代器，enumerate（），zip（），大数据块，生成器，嵌套循环， 5. Python中的统计思维（第1部分） 99_Python_Datacamp_05_statistical_thinking_part...
Matlab求解动态规划问题
06-30
Matlab求解动态规划问题，以具体的生产存货为问题背景为例
MATLAB 动态规划——源代码（+详细注释）
09-13
MATLAB 动态规划——源代码（+详细注释）， 对于动态规划入门学习以及数学建模很有帮助！
动态规划算法MATLAB代码
07-21
经验证的动态规划算法源代码，函数接口可直接使用
matlab实现动态规划
10-09
用matlab实现动态规划的源代码，函数文件形式，参数说明见注释
基于matlab的动态规划问题
03-18
介绍了动态规划的matlab求解，提高了解动态规划问题的效率。
动态规划Matlab代码
Zou_XX的博客
02-07 1066
动态规划寻找最优路径Matlab代码
【Matlab】动态规划算法代码记录
哈哈
08-24 2426
简单记录一下学习Matlab过程中的代码
python MPC
08-26
总结来说，Python中实现MPC控制算法的流程包括定义系统模型、设置优化问题、离散化系统模型、预测控制、优化求解和执行控制策略。可以借助Python的控制系统库、优化库和数值计算库来实现这些步骤。<span class="em">...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

四口鲸鱼爱吃盐

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值